論文の概要: Privacy-Preserving Personalized Fitness Recommender System (P3FitRec): A
Multi-level Deep Learning Approach
- arxiv url: http://arxiv.org/abs/2203.12200v1
- Date: Wed, 23 Mar 2022 05:27:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-24 14:56:34.482234
- Title: Privacy-Preserving Personalized Fitness Recommender System (P3FitRec): A
Multi-level Deep Learning Approach
- Title（参考訳）: プライバシ保存型パーソナライズ型フィットネスレコメンデーションシステム(p3fitrec: multi-level deep learning)
- Authors: Xiao Liu, Bonan Gao, Basem Suleiman, Han You, Zisu Ma, Yu Liu, and Ali
Anaissi
- Abstract要約: プライバシーに配慮したパーソナライズされたフィットネスレコメンデーションシステムを提案する。
大規模な実フィットネスデータセットから重要な特徴を学習する多層ディープラーニングフレームワークを導入する。
本手法は,センサデータからユーザのフィットネス特性を推定することによりパーソナライズを実現する。
- 参考スコア（独自算出の注目度）: 6.647564421295215
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Recommender systems have been successfully used in many domains with the help
of machine learning algorithms. However, such applications tend to use
multi-dimensional user data, which has raised widespread concerns about the
breach of users privacy. Meanwhile, wearable technologies have enabled users to
collect fitness-related data through embedded sensors to monitor their
conditions or achieve personalized fitness goals. In this paper, we propose a
novel privacy-aware personalized fitness recommender system. We introduce a
multi-level deep learning framework that learns important features from a
large-scale real fitness dataset that is collected from wearable IoT devices to
derive intelligent fitness recommendations. Unlike most existing approaches,
our approach achieves personalization by inferring the fitness characteristics
of users from sensory data and thus minimizing the need for explicitly
collecting user identity or biometric information, such as name, age, height,
weight. In particular, our proposed models and algorithms predict (a)
personalized exercise distance recommendations to help users to achieve target
calories, (b) personalized speed sequence recommendations to adjust exercise
speed given the nature of the exercise and the chosen route, and (c)
personalized heart rate sequence to guide the user of the potential health
status for future exercises. Our experimental evaluation on a real-world Fitbit
dataset demonstrated high accuracy in predicting exercise distance, speed
sequence, and heart rate sequence compared to similar studies. Furthermore, our
approach is novel compared to existing studies as it does not require
collecting and using users sensitive information, and thus it preserves the
users privacy.
- Abstract（参考訳）: リコメンダシステムは、機械学習アルゴリズムの助けを借りて、多くのドメインでうまく使われている。
しかし、このようなアプリケーションは多次元のユーザデータを使う傾向があり、ユーザーのプライバシー侵害に関する懸念が広まっている。
一方、ウェアラブル技術により、ユーザーは内蔵センサーを通じてフィットネス関連のデータを収集し、状況を監視したり、パーソナライズされたフィットネス目標を達成することができる。
本稿では,プライバシを意識したパーソナライズドフィットネス推薦システムを提案する。
本稿では,ウェアラブルiotデバイスから収集した大規模リアルフィットネスデータセットから重要な機能を学習し,インテリジェントなフィットネス推奨を導出するマルチレベルディープラーニングフレームワークを提案する。
従来のアプローチとは異なり,センサデータからユーザのフィットネス特性を推定し,ユーザ名や年齢,身長,体重などの生体情報を明示的に収集する必要性を最小化することで,パーソナライズを実現している。
特に、提案したモデルとアルゴリズムは予測する。
(a)目標カロリーの達成を支援するための個別の運動距離勧告
(b)運動の性質及び選択経路を考慮した運動速度調整のためのパーソナライズされた速度系列推薦、及び
(c)将来の運動の健康状態をユーザに指導するためのパーソナライズされた心拍数シーケンス。
実世界のFitbitデータセットを用いた実験により,運動距離,速度シーケンス,心拍数列の予測精度が同様の研究と比較された。
さらに,ユーザの機密情報を収集・利用する必要がなく,ユーザのプライバシを保護できるため,既存研究と比較して新しいアプローチである。
関連論文リスト
- MotionRL: Align Text-to-Motion Generation to Human Preferences with Multi-Reward Reinforcement Learning [99.09906827676748]
我々は、テキスト・ツー・モーション生成タスクを最適化するために、Multi-Reward Reinforcement Learning(RL)を利用する最初のアプローチであるMotionRLを紹介する。
我々の新しいアプローチは、人間の知覚モデルに関する知識以前の人間の嗜好に基づいて、強化学習を用いて運動生成体を微調整する。
さらに、MotionRLは、テキストのアテンデンス、モーションクオリティ、人間の好みの最適性を近似する、新しい多目的最適化戦略を導入している。
論文 参考訳（メタデータ） (2024-10-09T03:27:14Z) - Quantifying User Coherence: A Unified Framework for Cross-Domain Recommendation Analysis [69.37718774071793]
本稿では,レコメンデーションシステムを理解するための新しい情報理論手法を提案する。
9つのデータセットで7つのレコメンデーションアルゴリズムを評価し、測定値と標準的なパフォーマンス指標の関係を明らかにする。
論文 参考訳（メタデータ） (2024-10-03T13:02:07Z) - Personalized Multi-task Training for Recommender System [80.23030752707916]
PMTRecは、様々な情報ソースから包括的ユーザ/イテム埋め込みを得るための、最初のパーソナライズされたマルチタスク学習アルゴリズムである。
我々の貢献は、レコメンデーションシステムにおけるパーソナライズされたマルチタスクトレーニングを促進するための新しい道を開く。
論文 参考訳（メタデータ） (2024-07-31T06:27:06Z) - Private Data Leakage in Federated Human Activity Recognition for Wearable Healthcare Devices [6.422056036165425]
複数のウェアラブルデバイスにまたがるフェデレーションされたユーザ行動認識モデルにおけるプライバシー漏洩問題について検討する。
提案システムでは,N$のウェアラブルデバイスユーザとパラメータサーバで構成されるフェデレーション学習アーキテクチャを提案する。
5つの公開HARデータセットで実施された実験では、悪意のあるサーバベースのメンバシップ推論の精度が92%であることが示されている。
論文 参考訳（メタデータ） (2024-05-14T07:43:22Z) - Efficient Personalized Learning for Wearable Health Applications using
HyperDimensional Computing [10.89988703152759]
超次元コンピューティング(HDC)は、リソース制約のあるデバイスによく適合したデバイス上での学習ソリューションを提供する。
我々のシステムは、最先端のDeep Neural Network(DNN)アルゴリズムと比較して、トレーニングのエネルギー効率を最大45.8倍に向上させる。
論文 参考訳（メタデータ） (2022-08-01T18:49:15Z) - Enhancing Digital Health Services: A Machine Learning Approach to
Personalized Exercise Goal Setting [8.146832452474777]
本研究の目的は、振り返りデータとリアルな行動軌跡を用いて自動提案運動目標を動的に更新する機械学習アルゴリズムを開発することである。
深層強化学習アルゴリズムは、深層学習技術を組み合わせて時系列データを分析し、ユーザの運動行動を推測する。
論文 参考訳（メタデータ） (2022-04-03T01:19:20Z) - Modeling Dynamic User Preference via Dictionary Learning for Sequential
Recommendation [133.8758914874593]
ユーザの好みのダイナミックさを捉えることは、ユーザの将来の行動を予測する上で非常に重要です。
浅いものも深いものも含む、既存のレコメンデーションアルゴリズムの多くは、このようなダイナミクスを独立してモデル化することが多い。
本稿では、ユーザのシーケンシャルな振る舞いを、ユーザ好みの潜伏した空間に埋め込むことの問題について考察する。
論文 参考訳（メタデータ） (2022-04-02T03:23:46Z) - Real-Time Learning from An Expert in Deep Recommendation Systems with
Marginal Distance Probability Distribution [1.3535770763481902]
我々は,その履歴,プロファイル,および類似のユーザに基づいて,日々の運動活動を支援するレコメンデーションシステムを開発した。
開発したレコメンデーションシステムは、ユーザの注目と時間的注意機構を備えたディープリカレントニューラルネットワークを使用する。
本稿では,リアルタイム・エキスパート・ザ・ループ型能動的学習手法を提案する。
論文 参考訳（メタデータ） (2021-10-12T19:20:18Z) - Privacy-Preserving Learning of Human Activity Predictors in Smart
Environments [5.981641988736108]
我々は、最先端のディープニューラルネットワークに基づく手法を用いて、予測された人間の活動モデルを学ぶ。
我々の研究の新たな側面は、学習者が利用できるデータの時間的進化と、利用者が共有するデータを注意深く追跡することである。
論文 参考訳（メタデータ） (2021-01-17T01:04:53Z) - Sequential Recommender via Time-aware Attentive Memory Network [67.26862011527986]
本稿では,注意機構と繰り返し単位を改善するための時間ゲーティング手法を提案する。
また,長期と短期の嗜好を統合するマルチホップ・タイムアウェア・アテンテーティブ・メモリ・ネットワークを提案する。
提案手法は,候補探索タスクに対してスケーラブルであり,ドット積に基づくTop-Kレコメンデーションのための潜在因数分解の非線形一般化とみなすことができる。
論文 参考訳（メタデータ） (2020-05-18T11:29:38Z) - Unsupervised Model Personalization while Preserving Privacy and
Scalability: An Open Problem [55.21502268698577]
本研究では,非教師なしモデルパーソナライゼーションの課題について検討する。
この問題を探求するための新しいDual User-Adaptation Framework(DUA)を提供する。
このフレームワークは、サーバ上のモデルパーソナライズとユーザデバイス上のローカルデータ正規化に柔軟にユーザ適応を分散させる。
論文 参考訳（メタデータ） (2020-03-30T09:35:12Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。